RESTAD：基于重构和相似性的时间序列异常检测的 Transformer
原文中文，约600字，阅读约需2分钟。发表于：。Restad 是一种改进的 Transformer 模型，通过在其架构中引入径向基函数（RBF）神经元层，将 RBF 相似性得分与再构造错误相结合，从而增强对异常的敏感性。实证评估表明，Restad 在多个基准数据集上优于其他已建立的基线模型。
研究人员成功将Transformers应用于时间序列预测，并提出了一种校准方法来调整模型中的上下文驱动分布变化。通过评估预测残差与上下文之间的互信息，量化了模型对于上下文驱动分布变化的脆弱性。实验证明该框架能够提高Transformers在真实世界数据集上的性能。
